一种航空器气动传感器故障智能检测方法

1.本发明属于航空技术领域，尤其涉及一种航空器气动传感器故障智能检测方法。


背景技术：

2.民航客机、军用战机、通用飞行器等均安装有大量的气动传感器。这些传感器测量航空器的速度、迎角等气动信息，是保障航空器安装运作的关键。但是，气动传感器一般装配在航空器外表面，受落雨、结冰影响，易发生故障；这些故障严重影响航空器的运作；因此，航空器气动传感器故障检测技术十分必要。
3.现有工业界的航空器气动传感器故障检测技术基于硬件冗余开发，即在航空器上装配多套传感器，针对同一气动信息进行冗余测量，通过投票逻辑监测各套传感器，进而检测故障。但是这一技术需要装配多套传感器，成本较高；近年a330、b737max等由于气动传感器故障造成的飞行事故亦表明现有工业界的航空器气动传感器故障检测技术仍有不足。
4.区别于硬件冗余，目前也有大量航空器气动传感器故障检测技术基于软件冗余展开；但是，这些方法多依赖航空器的动力学、运动学模型及参数，需要针对不同航空器或同一航空器的不同飞行状态分别调参，工作量大，工程通用性低，尚未得到大规模应用。
5.在针对机械设备、航空发动机等的故障检测研究中，已出现大量采用深度神经网络的传感器故障检测方法。这些方法针对不同设备或者同一设备的不同运行状态的通用性较好，故障检测准确度较高。但是，这些方法被广泛认为是“黑盒子”，其算法框架、内部运算的机理不清晰，影响了可解释性机理分析，降低了工程可信度，制约了其在工程领域的应用。


技术实现要素：

6.本发明提供一种航空器气动传感器故障智能检测方法，旨在解决上述存在的问题。
7.本发明是这样实现的，一种航空器气动传感器故障智能检测方法，包括以下步骤：
8.s1、获取多种航空器不同飞行状态下气动传感器故障的飞行数据；
9.s2、采用对照性数值试验，在飞行数据中选定与航空器气动传感器故障检测直接相关的数据；
10.s3、将选定的数据进行预处理，预处理后的数据堆叠成型为“图像”；其中，所述飞行数据包括仿真飞行数据和真实飞行数据，将预处理后的飞行数据分割为训练集和测试集，预处理后的真实飞行数据全部位于测试集中；
11.s4、采用卷积神经网络和长短记忆网络，构建深度神经网络模型，并对深度神经网络模型的网络结构进行可解释性分析；
12.s5、采用训练集中的样本对构建的深度神经网络模型进行训练，采用adams算法基于训练数据迭代更新网络权重，设定训练中学习效率随训练迭代次数衰减，直至深度神经网络模型的损失值趋势收敛；
13.s6、利用训练好的深度神经网络模型对测试集中的样本进行分割，生成分割结果图。
14.进一步的，在步骤s4中，具体包括：首先使用足量的卷积核数量、长短记忆网络节点数以确定卷积核维度；进而采用选定的卷积核维度和足量的长短记忆网络节点数，确定卷积核数量；最后采用选定的卷积核维度、数量，确定长短记忆网络节点数。
15.进一步的，在步骤s4中，还包括：通过特征可视化的方法，判定卷积核在网络输入的图像数据上提取特征的过程；进而关联网络内部所有卷积核的有效运算至网络的输入数据上，判定网络内部卷积运算所关注的输入数据区域。
16.进一步的，所述卷积核维度为2*2，卷积核数量为48个，长短记忆网络节点数为16个。
17.进一步的，在步骤s2中，选定的数据为：飞机速度、迎角、侧滑角，以及飞机体轴系内三轴角速度、加速度。
18.进一步的，所述飞机速度、迎角、侧滑角采用卷积神经网络和长短记忆网络同时提取特征，所述飞机体轴系内三轴角速度、加速度采用长短记忆网络提取特征。
19.进一步的，在步骤s3中，预处理的步骤具体包括：采用时空堆叠方法，将选定的所有数据降采样，依状态归一化后，堆叠形成二维矩阵形式。
20.与现有技术相比，本发明的有益效果是：本发明公开一种航空器气动传感器故障智能检测方法，可以准确地检测不同航空器或同一航空器在不同飞行状态下的气动传感器故障，并且相关检测结果具备良好的可解释性和可信度；采用深度神经网络方法，实现了无需调参即可适用于不同航空器或同一航空器不同飞行状态下的气动传感器故障智能检测；同时，参考图像处理等领域的技术方法，展开了深度神经网络可解释性分析机理研究，有效探明了该方法的可解释性分析机理，提升了其工程可信度。
附图说明
21.图1为本发明网络结构示意图；
22.图2为本发明数据预处理示意图；
23.图3为本发明网络训练学习效率衰减示意图；
24.图4为本发明网络结构卷积核维度设定效果图；
25.图5为本发明网络结构卷积核数量设定效果图；
26.图6为本发明网络结构网络节点数量设定效果图；
27.图7为本发明网络结构消融学习示意图；
28.图8为本发明卷积核特征提取可视化示意图；
29.图9为本发明卷积层分类激活映射示意图。
具体实施方式
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
31.在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
32.实施例
33.如图1所示，本发明提供一种技术方案：一种航空器气动传感器故障智能检测方法，包括以下步骤：
34.s1、获取多种航空器不同飞行状态下气动传感器故障的飞行数据；
35.s2、采用对照性数值试验，在飞行数据中选定与航空器气动传感器故障检测直接相关的数据；
36.s3、将选定的数据进行预处理，预处理后的数据堆叠成型为“图像”；其中，所述飞行数据包括仿真飞行数据和真实飞行数据，将预处理后的飞行数据分割为训练集和测试集，预处理后的真实飞行数据全部位于测试集中；
37.s4、采用卷积神经网络和长短记忆网络，构建深度神经网络模型，并对深度神经网络模型的网络结构进行可解释性分析；
38.s5、采用训练集中的样本对构建的深度神经网络模型进行训练，采用adams算法基于训练数据迭代更新网络权重，设定训练中学习效率随训练迭代次数衰减，直至深度神经网络模型的损失值趋势收敛；
39.s6、利用训练好的深度神经网络模型对测试集中的样本进行分割，生成分割结果图。
40.本实施方式中，需要搜集、归纳多型航空器在不同飞行状态下、多种气动传感器故障情况下的数据，并形成相关数据集；为避免深度神经网络训练中的“过拟合”问题，需将数据集分割形成训练数据和测试数据。
41.还需确定与航空器气动传感器故障检测直接相关的深度神经网络输入状态；这一般需要采用对照性数值实验，在可测量的航空器飞行状态中选定直接相关的状态作为网络输入。
42.其中，卷积神经网络的数据输入一般是图像形式；因此还需对选定数据作预处理，将其堆叠成型为“图像”。
43.需要展开深度神经网络的结构设计和训练；网络拟同时采用卷积神经网络和长短记忆网络，需要通过对照性数值试验确定准确度最高、结构尽可能简单的网络结构。
44.经由上述步骤，可以实现航空器气动传感器故障检测研发的数据采集、数据预处理、网络训练与测试等技术点，并可获得具备良好准确度的航空器气动传感器故障检测深度神经网络。
45.本发明中的网络可解释性分析拟从“大”、“小”结构2方面展开。
[0046]“大”结构代指故障检测深度神经网络的卷积核维度、卷积核数量、长短记忆网络节点数等可以通过客观方法寻优的网络结构参数。拟针对统一的训练和测试数据，以测试数据的故障检测准确度为准则，通过对照性数值试验确定网络“大”结构。
[0047]
此外，考虑到各“大”结构参数与网络检测结果的相关性，采用控制变量法的思路，即首先使用足量的卷积核数量、长短记忆网络节点数以确定卷积核维度；进而采用选定的卷积核维度和足量的长短记忆网络节点数，确定卷积核数量；最后采用选定的卷积核维度、数量，确定长短记忆网络节点数。
[0048]“小”结构主要代指卷积核等网络关键运算。参考图像处理等领域的方法，首先通过特征可视化的方法，判定卷积核在网络输入的图像数据上提取特征的过程；进而，参考图
像处理领域常用的分类激活映射图方法，关联网络内部所有卷积核的有效运算至网络的输入数据上；由此则可判定网络内部卷积运算所关注的输入数据区域。如该区域与故障实际发生的位置符合，则可有效说明网络卷积核运算是合理的，亦即网络内部运算具有良好的可信度。
[0049]
试验例
[0050]
本发明共计搜集了5型不同飞机在6种飞行状态、5类气动传感器故障类型下的数据，详见表1。其中，b1、b2为大型客机，f为战斗机，y为运输机，d为通用飞机。b1巡航和y人操为仿真数据，b2起降、f人操、d巡航和b1人操为真实飞行数据。参考有关文献资料，5类气动传感器故障分别包括空速管、迎角、侧滑角传感器失能，以及迎角、侧滑角传感器噪声异常。这些故障均已造成了严重的飞行事故。
[0051]
为避免网络出现“过拟合”问题，将所搜集的数据分割为训练数据和测试数据。为重点检验网络针对真实飞行数据的性能，将所有真实飞行数据放置在测试数据中，不参与网络训练。网络训练和测试数据分割见表1。
[0052][0053]
表1
[0054]
“‑”
表示真实飞行中高度数据未记录；故障类别“0”表示无故障；故障类别“1-5”分别表征速度、迎角、侧滑角传感器失能及迎角、侧滑角传感器异常噪声故障。
[0055]
网络的输出对应表1中气动传感器故障的类型，共计6类(1类无故障飞行及5类带故障飞行)。为有效建立神经网络结构，需要选定与网络输出直接相关的航空器飞行状态。考虑到航空器同时装配气动和惯性测量传感器，气动传感器测量状态(速度v、迎角α、侧滑角β)的演变方程为：
[0056][0057][0058][0059]
其中，g为重力加速度，s
*
、c
*
分别表征正弦、余弦运算，{w
x
,wy,wz}、{a
x
,ay,az}分别表征飞机体轴系内三轴角速度、加速度，可由惯性测量传感器直接测定。
[0060]
飞机三个欧拉姿态角{ψ,θ,φ}与飞机三轴角速度的耦合关系为：
[0061]
[0062][0063][0064]
本发明中，最终的网络结构选定飞机速度、迎角、侧滑角3个气动量以及惯性传感器的6个测量值作为网络输入。
[0065]
如图2所示，为便于卷积核扫描、提取特征，还需将网络输入封装为图像格式。为此，采用时空堆叠方法，将网络输入的所有状态(速度、迎角、侧滑角3个气动量，以及惯性传感器6个测量值)降采样，依状态归一化后，堆叠形成二维矩阵形式。由此可完成网络输入数据的预处理。
[0066]
如图3所示，在网络的训练过程中，直接调用表1中的训练数据，并采用adams训练算法，设定训练中学习效率(learningrate)随训练迭代次数衰减。在网络训练中，采用gtx3090显卡上，使用keras(tensorflow)可在2小时内完成逾1000epochs的训练，取得良好结果。
[0067]
在网络测试中，直接调用表1中的测试数据，依据不同故障类型的检测准确度判定网络性能。训练完成后的网络针对4型测试飞机均可获得不低于90％的气动传感器故障检测准确度(表2)。本发明提出的故障智能检测方法效果优良。
[0068][0069]
表2
[0070]
表2给出了对应于4个飞行状态的测试混淆矩阵；各矩阵横向对应6个故障状态(1种无故障状态及5种故障状态)，纵向对应网络检测结果；则对角线(已加粗)即为网络针对各故障状态的检测准确度。
[0071]
网络“大”结构可解释性分析和网络的结构设计、训练过程相耦合，一方面用于确定网络最优的卷积核维度、卷积核数量以及卷积层的层数等网络“大”结构参数；同时这一流程也有效的体现了网络“大”结构有关参数设定的可解释性机理。网络“大”结构可解释性分析参见图4-6。
[0072]
如图4所示，针对卷积核维度展开；其中卷积核数量、卷积层层数均依据前期研究
成果，采用足量的数量。由图4可见，经由训练后，2
×
2的卷积核维度具有最优的测试性能；因此最终的网络结构采用2
×
2卷积核。
[0073]
如图5所示，针对卷积核数量展开，其中卷积核维度直接采用图4中已确定的2
×
2，卷积层数量同样采用足量的数量。由图5可见，经由训练后，48的卷积核数量具有最优的测试性能，因此最终的网络结构中，卷积层的卷积核数量采用48。
[0074]
如图6所示，针对长短记忆网络的节点数展开，其中卷积核维度直接采用图4中已确定的2
×
2，卷积核数量采用图5中确定的48个。由图6可见，16的长短记忆网络节点数具有最优的测试性能，因此最终的网络结构中，长短记忆网络的节点数采用16。
[0075]
最终成型的网络结构参见图1，针对速度、迎角、侧滑角输入，同时采用卷积(cnn)及长短记忆网络(lstm)提取特征；针对惯性测量单元的角速度、加速度输入，仅采用长短记忆网络提取特征。为测试该网络“大”结构的有效性，采用消融学习的方法，即分别删减最优网络结构(dnn-opt)各个分支进而加以训练。
[0076]
由图7可见，删除任何分支均导致网络检测准确度降低，这从反面证明了dnn-opt网络结构的合理性。
[0077]
参见图8，红框内标注了传感器故障发生的区域(侧滑角传感器失效)；图8绘出了dnn-opt第一层卷积层所提取的特征。由图8可见，在故障对应的区域内，卷积核可提取较为明显的特征。图8中的卷积核特征证实了本发明所提出的dnn-opt网络结构的合理性。
[0078]
参见图9，为显示dnn-opt网络所有卷积层卷积核提取的特征，可用分类激活映射图法。图中将每个卷积层所提取的特征映射至网络输入上，并绘制热力图；热力图所重点关注的区域与各类故障发生的区域相符，这也证实了dnnopt中的卷积核可有效提取故障特征，即dnn-opt的结构是合理的。
[0079]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。